Wie Künstliche Intelligenz (KI) das Lernen begleiten kann, wird im BMBF-Verbundprojekt „Personalisierte Kompetenzentwicklung durch skalierbare Mentoringprozesse – tech4comp“ erforscht. Um sich dabei zunächst der Frage, was digital-gestütztes Mentoring leisten kann und soll, zu nähern, erfolgt eine Bedarfs- und Leistungsanalyse durch die Erhebung und Auswertung lernbezogener Daten in technologie-gestützten Bildungsräumen auf mehreren Ebenen. Es wird das Verhalten von Lernenden untersucht, um Erkenntnisse über die Leistungsfähigkeit von Mentoring innerhalb adaptiver Bildungsräume zu erhalten und Einflussfaktoren und Gelingensbedingungen zu identifizieren. Dazu wird die Expertise aus verschiedenen Disziplinen (Bildungswissenschaften, Informatik, Organisations- und Sozialwissenschaften) herangezogen.

Am Institut für Print- und Medientechnik an der TU Chemnitz wird ein System entwickelt, welches gescannte Dokumente archivieren soll. Im Gegensatz zu bereits existierenden OCR-Systemen, sollen diese Dokumente hier jedoch nicht mittels einer Schrifterkennung verarbeitet werden. Vielmehr sind Textbereiche in den gescannten Vorlagen zu vektorisieren. Bereiche mit Grafiken und Illustrationen werden bei diesem Verfahren als ein Bildvektor gespeichert. Diese Vorgehensweise soll es ermöglichen, auch Dokumente mit Schriftsymbolen effizient zu archivieren, die keinen "herkömmlichen" Schriftsätzen zugehörig sind. Diese Studienarbeit stellt Merkmalsextraktionsverfahren vor, die aus einem gegebenen Teil (Segment) eines Dokumentenscans Merkmale extrahieren, die es ermöglichen sollen, diesen mittels eines Klassifikationsverfahrens einer Klasse Textblock oder einer Klasse Grafikblock zuzuordnen. Zusätzlich werden zwei Klassifikationsverfahren, ein Entscheidungsbaum und eine Fuzzy-Logik, auf die Nutzbarkeit für einen solchen Mustererkennungsprozess überprüft. Als Textblöcke erkannte Bereiche werden im zu entwickelnden Gesamtverfahren dann in nachfolgenden Verarbeitungsschritten einer Vektorisierung zugeführt.

Humanizing Technologies GmbH develops Intelligent software for the humanoid robots from Softbank Robotics. The main objective of this thesis is to develop and deploy Conversational Artificial Intelligence software into the humanoid robots using deep learning techniques. Development of conversational agents using Machine Learning or Artificial Intelligence is an intriguing issue with regards to Natural Language Processing. Great research and experimentation is being conducted in this area. Currently most of the chatbots are developed with rule based programming that cannot hold conversation which replicates real human interaction. This issue is addressed in this thesis with the development of Deep learning conversational AI based on Sequence to sequence, Attention mechanism, Transfer learning, Active learning and Beam search decoding which emulates human like conversation. The complete end to end conversational AI software is designed, implemented and deployed in this thesis work according to the conceptual specifications. The research objectives are successfully accomplished and results of the proposed concept are dis- cussed in detail.

Combine harvesters are used to gather plants from the field and separate them into the components of value, the grain and the straw. The optimal utilization of existing combine potential is an inevitable task to maximize harvest efficiency and hence to maximize profit. The only way to optimize the threshing and separation processes during harvest is to adjust the combine settings to existing conditions. Operating permanently at optimal harvest efficiency can only be achieved by an automatic control system. However, for reasons of transparency and due to lack of sensors, the approach in this thesis is a combined development of an interactive and an automatic control system for combine process optimization. The optimization of combine processes is a multi-dimensional and multi-objective optimization problem. The objectives of optimization are the harvest quality parameters. The decision variables, the parameters that can be modified, are the combine settings. Analytical optimization methods require the existence of a model that provides function values in dependence of defined input parameters. A comprehensive quantitative model for the input-output-behavior of the combine does not exist. Alternative optimization methods that handle multi-dimensional and multi-objective optimization problems can be found in the domain of Artificial Intelligence. In this work, knowledge acquisition was performed in order to obtain expert knowledge on combine process optimization. The result is a knowledge base with six adjustment matrices for different crop and combine types. The adjustment matrices contain problem oriented setting adjustment recommendations in order to solve single issues with quality parameters. A control algorithm has been developed that is also capable of solving multiple issues at the same time, utilizing the acquired expert knowledge. The basic principle to solve the given multi-objective optimization problem is a transformation into one-dimensional single-objective optimization problems which are solved iteratively. Several methods have been developed that are applied sequentially. In simulation, the average improvement from initial settings to optimized settings, achieved by the control algorithm, is between 34.5 % and 67.6 %. This demonstrates the good performance of the control algorithm.

Die vorliegende Masterarbeit erforscht die Erweiterung der Steuerung einer bestehenden Klimatisierungsanlage durch ein Sensornetzwerk und künstliche Intelligenz. Ziel ist die Optimierung des Energiebedarfs und die Verbesserung des Raumklimas durch die Überwachung umfangreicher Sensordaten. Ein Mesh-Netzwerk mit Aktualisierungsmöglichkeit für die Sensorknoten und die TensorForce-Bibliothek bilden dafür die Grundlage. Unter Nutzung von Deep Q-Learning from Demonstrations, einer Reinforcement Learning-Strategie, wird die praktische Umsetzung eines solchen Systems getestet. Durch die Erprobung verschiedener Konfigurationen gelingt es, die Aktivitätszeit der Klimageräte durch automatische Abschaltung im Vergleich zur regulären Nutzung signifikant zu senken. Zusätzlich wechselt das entwickelte System bei Bedarf selbstständig in den Lüftungsmodus, anstatt dauerhaft im Kühlbetrieb mit hohem Energiebedarf zu arbeiten. Diese Masterarbeit richtet sich an alle, die am praktischen Einsatz von Reinforcement Learning interessiert sind.

There are two disciplines that are concerened with the same object of study, narratives, but that rarely exchange insights and ideas, let alone engage in collaborative research. The first is Narrative Theory (NT), an analytical discipline from the humanities that attempts to analyze literary texts and from these instances derive a general understanding of the concept of narrative. The second is Compuatational Story Composition (CSC), a discipline in the domain of Artificial Intelligence that attempts to enable computers to autonomously compose fictional narratives in a way that could be deemed creative. Several reasons can be found for the lack of collaboration, but one of them stands out: The two disciplines follow decidedly different research methodologies at contradistinct levels of abstraction. This makes it hard to conduct NT and CSC research simultaneously, and also means that CSC researchers have a hard time validating whether they use NT concepts correctly, while NT scholars have no use for the outputs created by work in CSC. At the same time, a close exchance between the two disciplines would be desirebale, not only because of the complementary approach to their object of study, but also because comparable interdisciplinary collaborations have proven to be productive in other fields, like for instance linguistics. The present thesis proposes a research methodology called generative modeling designed to address the methodological differences outlined above, and thus allow to conduct simultaneous NT and CSC research. As a proof of concept it performs several cycles of generative modeling, in which it computationally implements concepts and dynamics described in two frameworks from NT, namely Marie-Laure Ryan's possible worlds approach to plot, and Alan Palmer's fictional minds approach to characters. In detail, the first cycle attempts to implement Ryan's possible worlds semantics and the resulting dynamics of plot, but falls short in a way that suggests that the first principles layed out in the theory are not sufficient to capture an example plot, for a number of reasons. The second cycle resolves these hypothesized problems by extending Ryan's plot understanding with affective dynamics based on Palmer's understanding of fictional minds. With plot dynamics completed, the third cycle implements Ryan's concept of tellability, which represents a quantifiable measure of the structural quality of plots. The last cycle implements a Genetic Algorithm based search heuristic that is capable of searching the plot space spanned by the employed formalism for plots high in tellability, which provides additional insights on properties of tellability. The resulting implementation is a in-depth computational representation of plot ingrained into the CSC System InBloom, which is capable of autonomusly composing novel plots and evaluating their quality. The study reported in this thesis demonstrates, how implementing narratological theories as generative models can lead to insights for NT, and how grounding computational representations of narrative in NT can help CSC systems take over creative responsibilities. Thereby, it shows the feasibility and utility of generative modeling.

aus dem Inhalt: „Seit mehr als zwei Dekaden wird sich in der Marktforschung darum bemüht, neue Wege zu erschließen, um der digitalen Transformation und den damit verbundenen gesellschaftlichen Veränderungsprozessen mit geeigneten Forschungsmethoden zu begegnen. Insbesondere in der Online-Marktforschung wird gefragt, inwiefern digitale Ressourcen erschlossen werden können, um zielgruppenorientierte Datenanalysen für (neue) Customer Insights nutzbar zu machen.”

aus dem Inhalt: „In den vergangenen Jahren haben wir einen immensen Anstieg an verfügbaren Textdaten feststellen dürfen. Nicht nur Verbraucherkommentare in Social Media, Text-Transkripte von Sprachassistenten, Dialoge aus Customer-Feedback und Support Chat (Bots), sondern auch offene Antworten in Umfragen bis hin zu automatisierten Text2Speechgestützten Audiointerviews sorgen für steigenden Bedarf, Erkenntnisse aus unstrukturierten Textdaten zu gewinnen.”

aus dem Inhalt: „Text Mining ist eine interdisziplinäre Forschungsrichtung, jedoch befassen sich nur sehr wenige Arbeiten bislang mit dem Extrahieren, Analysieren und Erkennen von freien Antworten aus Online-Befragungen.”

aus dem Inhalt: „Unternehmen – vor allem im Konsumgüterbereich – sind „datenhungrig“. Sie wollen tendenziell alles über ihre Konsumenten und Zielgruppen wissen. Traditionell ist die Beschaffung dieser Daten die Aufgabe der Markt- und Meinungsforschung. Online-Erhebungen, Fragebogen-Aktionen, Telefon-Interviews – solche quantitativen Befragungen gehören zu den Standardverfahren in der Markt- und Meinungsforschung. Mittels kontrollierter, vorgegebener Fragenschemata sollen statistisch valide Aussagen über Marken, Produkte oder Konsumentenverhalten gewonnen werden.”